基于深度学习的人脸特征提取与匹配
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外研究历史与现状 | 第12-13页 |
| 1.3 本文的主要工作内容 | 第13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 人脸特征提取与匹配常用方法 | 第15-24页 |
| 2.1 人脸特征提取与匹配技术 | 第16-23页 |
| 2.1.1 人脸特征提取方法 | 第16-18页 |
| 2.1.1.1 主成分分析 | 第16-17页 |
| 2.1.1.2 人脸几何特征 | 第17页 |
| 2.1.1.3 小波方法 | 第17-18页 |
| 2.1.2 人脸特征匹配方法 | 第18-23页 |
| 2.1.2.1 模板匹配 | 第18-19页 |
| 2.1.2.2 神经网络法 | 第19-20页 |
| 2.1.2.3 图匹配 | 第20页 |
| 2.1.2.4 三维形变模型 | 第20-21页 |
| 2.1.2.5 SVM | 第21-22页 |
| 2.1.2.6 贝叶斯 | 第22-23页 |
| 2.2 本章小结 | 第23-24页 |
| 第三章 基于深度学习的人脸特征提取 | 第24-50页 |
| 3.1 深度学习简介 | 第24-28页 |
| 3.1.1 什么是深度学习 | 第24-25页 |
| 3.1.2 深度学习的常用网络 | 第25-28页 |
| 3.1.2.1 自编码网络 | 第25-27页 |
| 3.1.2.2 深度置信网络 | 第27-28页 |
| 3.1.2.3 卷积神经网络 | 第28页 |
| 3.2 本文相关算法 | 第28-34页 |
| 3.2.1 普通卷积神经网络结构介绍 | 第28-32页 |
| 3.2.2 梯度下降法 | 第32-33页 |
| 3.2.3 交叉验证 | 第33-34页 |
| 3.3 本文改进的深度卷积神经网络结构 | 第34-41页 |
| 3.3.1 改进卷积神经网络结构设计 | 第35-38页 |
| 3.3.2 前向传播过程 | 第38-40页 |
| 3.3.3 反向传播过程 | 第40-41页 |
| 3.4 多姿态人脸特征提取方法研究 | 第41-43页 |
| 3.5 仿真实验 | 第43-48页 |
| 3.5.1 训练数据集 | 第43-44页 |
| 3.5.2 数据集预处理 | 第44-45页 |
| 3.5.3 仿真实现 | 第45-46页 |
| 3.5.4 训练过程 | 第46页 |
| 3.5.5 实验结果 | 第46-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第四章 人脸特征匹配方法研究 | 第50-61页 |
| 4.1 人脸特征匹配 | 第50-51页 |
| 4.1.1 一对一人脸验证 | 第50-51页 |
| 4.2 本文使用匹配算法 | 第51-57页 |
| 4.2.1 联合贝叶斯 | 第53-55页 |
| 4.2.2 神经网络法 | 第55-57页 |
| 4.2.3 SVM分类器法 | 第57页 |
| 4.3 仿真实验 | 第57-60页 |
| 4.3.1 实验数据 | 第58页 |
| 4.3.2 特征预处理 | 第58-59页 |
| 4.3.3 实验结果 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 算法实现与实验 | 第61-77页 |
| 5.1 改进的深度卷积神经网络结构实现 | 第61-67页 |
| 5.1.1 C++实现 | 第61-65页 |
| 5.1.2 基于GPU训练方法实现 | 第65-67页 |
| 5.2 人脸特征匹配算法实现 | 第67-69页 |
| 5.3 实验 | 第69-75页 |
| 5.3.1 特征提取实验 | 第69-72页 |
| 5.3.1.1 训练参数讨论 | 第69-70页 |
| 5.3.1.2 训练结果分析 | 第70-72页 |
| 5.3.2 人脸验证实验 | 第72-75页 |
| 5.3.2.1 测试数据库介绍 | 第72页 |
| 5.3.2.2 实验结果分析 | 第72-75页 |
| 5.4 人脸识别系统实现 | 第75页 |
| 5.5 本章小结 | 第75-77页 |
| 第六章 全文总结与展望 | 第77-79页 |
| 6.1 全文总结 | 第77页 |
| 6.2 后续工作展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-84页 |
